In derHörsaalübung werden die Inhalte der Vorlesung weiter vertieft und in diepraktische Anwendung überführt. Dies geschieht anhand von Beispielsaufgaben ausder Praxis, die den Studierenden nach der Vorlesung zum Download bereitgestelltwerden. Die Studierenden sollen diese Aufgaben mit Hilfe des Vorlesungsstoffeseigenständig oder in Gruppen lösen. Die Lösung wird dann mit Studierenden unterwissenschaftlicher Anleitung diskutiert, wobei Aufgabenteile an der Tafelpräsentiert werden. Am Ende der Hörsaalübung wird die Aufgabe an der Tafelkorrekt vorgerechnet. Parallel zur Hörsaalübung finden Tutorien statt, beidenen die Studierenden in Kleingruppen Klausuraufgaben unter Zeitvorgaberechnen und die Lösung anschließend diskutieren
Leistungsnachweis:
300 - Grundlagen der Strömungsmechanik<ul><li>300 - Grundlagen der Strömungsmechanik: Klausur schriftlich</li></ul><br>301 - Grundlagen der Strömungsmechanik<ul><li>300 - Grundlagen der Strömungsmechanik: Klausur schriftlich</li><li>825 - Verpflichtende Studienleistung Grundlagen der Strömungsmechanik - Midterm: Midterm</li></ul><br>m536-2023 - Grundlagen der Strömungsmechanik<ul><li>300 - Grundlagen der Strömungsmechanik: Klausur schriftlich</li><li>vl247-2022 - Freiwillige Studienleistung Grundlagen der Strömungsmechanik - Midterm: Midterm</li></ul>
ECTS-Kreditpunkte:
2
Weitere Informationen aus Stud.IP zu dieser Veranstaltung
Hund, P. (2021). Modellierung eines elektrischen Netzes zur Demonstration des Einflusses von virtueller Trägheit durch umrichterbasierte Energieanlagen.
Hund, P. (2021). Koordinierte Bereitstellung von virtueller Trägheit durch erneuerbare umrichterbasierte Energieanlagen in Verteilnetzen mithilfe von künstlicher Intelligenz.
Möller, P. (2021). Erfassung der Knotenspannung in Niederspannungsnetzen auf Basis von dezentralen Messeinrichtungen mithilfe von Machine learning.
Plant, R. (2021). Estimation of Power System Inertia in an Inverter-Dominated Distribution Grid Using Machine Learning.
2020
Dressel, M. (2020). Modellierung der Zustandsschätzung eines elektrischen Netzes mit Hilfe von Graph neuronalen Netzen.
Schmidt, M. (2020). Vorhersage von zuverlässig bereitstellbarer Regelleistung aus Erneuerbaren Energien mithilfe von neuronalen Netzen.